二战期间，美军想给轰炸机加装甲。
装甲很重，不能整机都加，只能挑最该加的地方。于是他们做了一件看起来最合理的事：把执行完任务飞回来的轰炸机排开，一架一架数弹孔，画成一张分布图。图上，机翼和机身尾部密密麻麻，而发动机和驾驶舱一带，弹孔明显稀疏。
结论好像是现成的：哪儿中弹最多，就加固哪儿。
负责协助分析的，是哥伦比亚大学的一个统计研究小组。组里有位从欧洲流亡来的匈牙利数学家，叫亚伯拉罕·瓦尔德。他看完那张图，给出的建议正好相反：要加固的，是那些几乎没有弹孔的地方。
被漏掉的，是没飞回来的那些
瓦尔德的理由很简单，简单到听完让人愣一下：你们数的，全都是飞回来的飞机。
子弹并不会挑着打。机身各处中弹的概率大致均匀，可为什么回来的飞机，发动机和驾驶舱那么干净？不是因为那儿不容易中弹，而是因为——中在那儿的飞机，大多没能飞回来。它们没进入这张统计图，因为它们根本没到统计员面前。
换句话说，那张弹孔分布图，画的不是「飞机哪里容易中弹」，而是「飞机中在哪里还能活着回来」。这是两件几乎相反的事。
1943 年，瓦尔德把这套方法写成了一系列备忘录，标题很直白：《一种根据幸存返航飞机的受损情况估计飞机易损性的方法》。后来，这类只统计到「幸存者」而漏掉全部失败样本、从而得出反向结论的错误，有了一个通用的名字：幸存者偏差。
我们每天都在数「飞回来的飞机」
这个错误之所以值得记住，不是因为它罕见，而是因为它太常见——常见到我们几乎意识不到自己正在犯。
看创业访谈，听到的都是活下来的公司在总结「我们当年做对了什么」。可同样的打法，还有成百上千家公司也用过，它们没活下来，所以没人请它们上台讲。你听到的成功经验，可能只是幸存者的共同点，未必是成功的原因。
看「读书无用」的例子，总有人举出一个没上过大学却发了财的熟人。这个例子是真的，但没被举出来的，是同样没上大学、如今过得辛苦的许多人——他们不会被拿出来讲，因为讲他们不构成一个故事。
连「以前的东西质量真好」也一样。留到今天还在用的老物件，本来就是当年那批里最耐用的少数；那些几年就坏掉的，早进了垃圾堆，不在你眼前。你比较的，是几十年前的幸存品和今天的全部产品。
该问的那句话
幸存者偏差难防，是因为它不制造错误的信息，只制造不完整的信息。你看到的每一个案例都可能是真的，只是它们碰巧全都来自同一边——活下来的那一边。而缺席的样本从不举手，它们安静得像不存在。
所以真正管用的，不是记住这个名词，而是养成一个提问的习惯：我现在看到的这些例子，是怎么被筛到我面前的？那些没被筛进来的，去哪儿了？
问完这一句，很多结论会立刻松动。榜单上的赢家背后，有多少用同样方法却没上榜的人；一个药方的「有效案例」背后，有多少吃了没用、于是没再回来复诊的人；一条经验之谈的背后，有多少反例，只是从来没被讲述过。
数据不会主动告诉你它缺了什么。它只会把手上有的，理直气壮地摆给你看。